[发明专利]异常检测方法和装置

说明书

本发明提供了一种异常检测方法和装置，该方法包括以下步骤：获取待检测工件的目标检测图像以及良品工件的良品图像；根据目标检测图像获取第一特征图，并根据良品图像获取第二特征图；根据第一特征图和第二特征图获取余弦相似度；根据余弦相似度对待检测工件进行第一次异常检测；如果无法判断待检测工件是否存在异常，则根据目标检测图像获取第一灰度图，并根据良品图像获取第二灰度图；根据第一灰度图获取第一分割图，并根据第二灰度图获取第二分割图；根据第一分割图和第二分割图获取指标分数；根据指标分数对待检测工件进行第二次异常检测。本发明能够准确地对待检测工件进行异常检测，适用范围广，并且无需耗费大量的人力、物力以及时间成本。

技术领域

本发明涉及目标检测技术领域，具体涉及一种异常检测方法和一种异常检测装置。

背景技术

在工业质检领域，缺陷的异常检测是一个关键的环节。相比较于普通缺陷，异常缺陷数量较小，并且异常缺陷和普通缺陷在形态上也有较大的差距，比如：形态严重畸变，大面积缺料等。由于异常缺陷的样本数量极少，因此采用目标检测模型并无法学习到这一类缺陷。

相关技术中，一般是采用OpenCV等开源库的算子，或者GAN（GenerativeAdversarial Networks，生成式对抗网络）网络，或者深度学习算法来实现异常检测的，然而上述技术存在以下问题：（1）采用OpenCV等开源库的算子实现异常检测时，计算资源损耗大、耗时长，并且适用范围小；（2）采用GAN网络实现异常检测时，在异常检测之前，需要耗费大量时间对GAN网络进行训练，并且针对相同工件的不同面，也都需要训练不同的模型，耗时耗力；（3）采用深度学习算法实现异常检测时，需要大量的训练数据，并且准确性较低。

发明内容

本发明为解决上述技术问题，提供了一种异常检测方法，能够准确地对待检测工件进行异常检测，适用范围广，并且无需耗费大量的人力、物力以及时间成本。

本发明采用的技术方案如下：

一种异常检测方法，包括以下步骤：获取待检测工件的目标检测图像以及良品工件的良品图像；根据所述目标检测图像获取第一特征图，并根据所述良品图像获取第二特征图；根据所述第一特征图和所述第二特征图获取余弦相似度；根据所述余弦相似度对所述待检测工件进行第一次异常检测；如果无法判断所述待检测工件是否存在异常，则根据所述目标检测图像获取第一灰度图，并根据所述良品图像获取第二灰度图；根据所述第一灰度图获取第一分割图，并根据所述第二灰度图获取第二分割图；根据所述第一分割图和所述第二分割图获取指标分数；根据所述指标分数对所述待检测工件进行第二次异常检测。

根据所述目标检测图像获取所述第一特征图，并根据所述良品图像获取所述第二特征图，包括：将所述目标检测图像输入卷积网络ResNet-50以获取所述第一特征图，以及将所述良品图像输入所述卷积网络ResNet-50以获取所述第二特征图。

根据所述第一特征图和所述第二特征图获取所述余弦相似度，包括：将所述第一特征图进行一维向量化以获取第一向量，以及将所述第二特征图进行一维向量化以获取第二向量；根据所述第一向量和所述第二向量获取所述余弦相似度。

根据所述第一灰度图获取所述第一分割图，并根据所述第二灰度图获取所述第二分割图，包括：采用K-means算法（K-均值算法）根据所述第一灰度图获取第一像素聚类图，并根据所述第二灰度图获取第二像素聚类图；将所述第一像素聚类图和所述第二像素聚类图输入MRF（Markov Random Field，马尔科夫随机场）图像分割模型，以分别获取所述第一分割图和所述第二分割图。

根据所述第一分割图和所述第二分割图获取所述指标分数，包括：采用Wasserstein距离计算所述第一分割图与所述第二分割图的像素类别的分布差异，以获取第一分数；采用JS（Jensen-Shannon）散度计算所述第一分割图与所述第二分割图的像素类别的分布差异，以获取第二分数；根据所述第一分数和所述第二分数获取所述指标分数。